Python scipy优化fmin语法

numseq

和

prob

是长度各为50的列表。它们是收集的实验数据

numseq

对应于X轴值，

prob

对应于Y轴值

我想最小化的功能是：

numseq = ['0012000', '0112000', '0212000', '0312000', '1012000', '1112000',                                                                                   '1212000', '1312000', '2012000', '2112000', '2212000', '2312000', '3012000', '3112000',          '3212000', '3312000', '0002000', '0022000', '0032000', '1002000', '1022000', '1032000',     '2002000', '2022000', '2032000', '3002000', '3022000', '3032000', '0010000', '0011000', '0013000', '1010000', '1011000', '1013000', '2010000', '2011000', '2013000', '3010000', '3011000', '3013000', '0012100', '0012200', '0012300', '1012100', '1012200', '1012300', '2012100', '2012200', '2012300', '3012100']
prob = [-0.66474525640568083, -0.49518440694747212, -0.49518440694747212, -0.49518440694747212, -0.78361598908750163, -0.66474525640568083, -0.66474525640568083, -0.66474525640568083, -0.66474525640568083, -0.49518440694747212, -0.49518440694747212, -0.49518440694747212, -0.66474525640568083, -0.49518440694747212, -0.49518440694747212, -0.49518440694747212, -0.49518440694747212, -0.49518440694747212, -0.49518440694747212, -0.66474525640568083, -0.66474525640568083, -0.66474525640568083, -0.49518440694747212, -0.49518440694747212, -0.49518440694747212, -0.49518440694747212, -0.49518440694747212, -0.49518440694747212, -0.49518440694747212, -0.49518440694747212, -0.49518440694747212, -0.66474525640568083, -0.66474525640568083, -0.66474525640568083, -0.49518440694747212, -0.49518440694747212, -0.49518440694747212, -0.49518440694747212, -0.49518440694747212, -0.49518440694747212, -0.49518440694747212, -0.49518440694747212, -0.49518440694747212, -0.66474525640568083, -0.66474525640568083, -0.66474525640568083, -0.49518440694747212, -0.49518440694747212, -0.49518440694747212, -0.49518440694747212]

因此：

• allparams

  是一个4×7的矩阵，其中包含所有要优化的参数

• xdata

  是X轴值，即

  numseq

• ydata

  只是一个数字列表，即

  prob

chi2

是实验值和模型值之间的平方差。这是必须尽量减少的

参数的初始猜测如下所示：

def residue(allparams, xdata, ydata):
    chi2 = 0.0
    for i in range(0,len(xdata)):
        x = xdata[i]
        y = 0
        for j in range(len(x)):
            y = y-allparams[int(x[j])][j]
            chi2 = chi2 + (ydata[i]-y)**2
return chi2

现在如何在此函数上调用

fmin

？我试过了

x0 = [[-0.6, -0.6, -0.6, -0.6, -0.6, -0.6, -0.6], [-0.6, -0.6, -0.6, -0.6, -0.6, -0.6, -0.6], [-0.6, -0.6, -0.6, -0.6, -0.6, -0.6, -0.6], [-0.6, -0.6, -0.6, -0.6, -0.6, -0.6, -0.6]]

但我不断地得到一个错误：

回溯（最近一次呼叫最后一次）：
文件“”，第1行，在
fmin（剩余量，x0，args=（numseq，prob））
文件“C:\Python31\lib\site packages\scipy\optimize\optimize.py”，第258行，在fmin中
fsim[0]=func（x0）
文件“C:\Python31\lib\site packages\scipy\optimize\optimize.py”，第177行，在函数包装器中
返回函数（x，*args）
文件“”，第7行，剩余部分
y=y-allparams[int（x[j]）][j]
索引器错误：标量变量的索引无效。

为什么会这样？是因为

fmin

不能接受二维数组作为初始猜测吗？那么，我是否必须更改我的整个代码才能处理1D参数数组

即使你不能解释这个问题，你能至少告诉我

fmin

模块是如何工作的吗？i、 e如何实现

fmin

以优化N维数组的语法？你能解释一下什么是

args（）

？我不熟悉优化，我不知道如何实现它：（

fmin”例程可以接受2d数组作为初始猜测。但它做的第一件事是展平这个数组[（4,7）-->（28）]。所以发生的是，你的留数函数将（4,7）数组作为输入，“fmin”例程给它一个展平的“x0”长度为28。这就是您看到错误的原因：

y=y-allparams[int（x[j]）][j]

索引器：标量变量的索引无效。

因此，您似乎必须更改留数函数以接受向量而不是数组。然而，这似乎并不太糟糕。我尝试了以下似乎有效的方法（注意：请仔细检查！）

def残留物\u备选方案（所有参数、形状、扩展数据、ydata）：
m、 n=不规则形状
chi2=0.0
对于范围（0，len（扩展数据））中的i：
x=扩展数据[i]
y=0
对于范围内的j（len（x））：
idx=int（x[j]）*n+j#再次检查此项以
y=y-allparams[idx]#确保它符合您的要求
chi2=chi2+（ydata[i]-y）**2
回击chi2

我用：

x0=-0.6*np.one（（4,7），dtype=np.double）
[xopt、fopt、iter、funcalls、warnflag]=\
fmin（剩余量_备选方案，x0，args=（x0.shape，numseq，prob），
maxiter=100000，
maxfun=100000，
全输出=真，
disp=真）

并收到以下结果：

fmin(residue, x0, args=(numseq, prob))

---

您可以将其重塑为4x7阵列。请尝试一下，并让我知道它是否有效。

第一次发布的

residence

功能似乎不完整。

Optimization terminated successfully.
         Current function value: 7.750523
         Iterations: 21570
         Function evaluations: 26076

>>>xopt
array([ 0.57669042, -0.21965861,  0.2635061 , -0.08284016, -0.0779489 ,
   -0.10358114,  0.14041582,  0.72469391, -0.43190214,  0.31269757,
   -0.0338726 , -0.14919739, -2.58314651,  2.74251214,  0.57695759,
   -0.49574628,  0.1490926 ,  0.04912353,  0.02420988,  1.17924051,
   -7.2147027 ,  0.57860843, -0.28386938,  0.2431877 , -0.22674694,
   -0.58308225, -6.05706775, -2.06350063])